人工智能的显著进步主要是由深度神经网络所推动，然而不可持续的计算轨迹、有限的鲁棒性和缺乏解释性的问题要求开发下一代人工智能系统。神经符号人工智能 (NSAI) 作为一种有潜力的范式，将神经、符号和概率方法融合在一起，提高可解释性、鲁棒性和可信度，并能够从较少的数据中进行学习。最近的 NSAI 系统在具有推理和认知能力的协作人工智能场景中展示了巨大的潜力。在本文中，我们对 NSAI 的最新进展进行了系统综述，并分析了 NSAI 模型的性能特征和计算操作符。此外，我们还从系统和架构的角度讨论了 NSAI 面临的挑战和潜在的未来方向。

Jan, 2024

人工神经网络在教育应用中具有适应性教育服务的重要性，然而由于三个重大挑战，即难以整合教育知识、学习和反思偏见，以及缺乏解释性，它们在实践中的教育潜力受到限制。该研究认为神经符号人工智能具有解决这些挑战的潜力，通过开发一种称为 NSAI 的方法，它将教育知识注入和提取到深度神经网络中，以建模学习者的计算思维。研究发现 NSAI 方法相较于仅在训练数据上训练的深度神经网络以及通过 SMOTE 和自编码器方法来增强训练数据的深度神经网络具有更好的泛化能力。此外，NSAI 方法使得从学得的网络中提取规则成为可能，便于解释与推理以及优化初始教育知识。这些发现表明神经符号人工智能能够克服人工神经网络在教育领域中的局限，实现可信赖和可解释的应用。

Nov, 2023

本文介绍了神经符号计算（NeSy）领域的重要和最新研究发展，包括研究历史，背景知识，关键驱动因素以及主要特征。文章讨论了该领域的一些重要应用并针对目前存在的问题提出了新的研究方向，以期进一步推动以数据和知识为驱动的 AI 的研究进展。

Oct, 2022

该研究探讨了如何在软件定义网络（SDN）的背景下，使用网络入侵检测系统和深度学习算法进行攻击检测和提高网络安全性能。结果表明，该方法通过结合多种深度学习算法，成功地进行了二分类任务，并取得了显著的检测成果。

Aug, 2022

神经符号人工智能（AI）是一个新兴而快速发展的领域，它结合了（深度）神经网络的子符号优势和知识图中的显式符号知识，以提高 AI 系统的可解释性和安全性。该方法解决了当前生成系统的一个关键批评，即其无法生成人类可理解的解释并确保安全行为，尤其在具有未知未知事物的情况下（例如，网络安全和隐私）。神经网络和符号知识图的集成使得 AI 系统能够以专家可理解的方式进行推理、学习和概括，该文章描述了在网络安全和隐私领域应用神经符号 AI 的益处。

Jul, 2023

本文介绍了一种名为 NSIL 的神经符号归纳学习方法，通过训练一个通用神经网络，从原始数据中提取潜在的概念，同时学习映射潜在概念与目标标签的符号知识，从而解决复杂决策问题。我们在三个不同复杂度的问题领域上评估了 NSIL，包括 NP 完全问题。结果表明，NSIL 学习到了表达丰富的符号知识，能够解决计算复杂的问题，并在准确性和数据效率方面取得了最先进的性能。

May, 2022

本文介绍了两种实现自主驾驶的算法：深度学习和自适应神经符号网络系统。本研究旨在结合深度学习的目标识别和跟踪技术以及自适应神经符号网络代理来改善物体识别性能，并利用雷达传感器实现了对汽车行驶轨迹的准确检测。

Mar, 2022

本文通过采用不同的基于学习的模型来检测网络攻击，演示了无监督表示学习模型在二进制入侵检测任务中的优势，并使用 SVM-SMOTE 过采样技术缓解了 4 类分类中的数据不平衡问题，并进一步展示了过采样机制的有效性及其深入神经网络基础模型的缺陷。

Aug, 2021

本文探讨了神经符号计算技术中深度学习和知识表示应该如何有机结合，通过 20 年来的相关研究结果，为下一个 AI 系统的关键性成分做出探索，以神经符号系统的视角提出 AI 技术应该在信任、安全、可解释性和问责制方面有所提升和解决的方向和挑战。

Dec, 2020

这篇论文探讨了网络攻击、高级持久性威胁、SDN、机器学习技术以及概念漂移检测，提出了一种增量混合自适应网络入侵检测系统（NIDS）来解决 SDN 中的概念漂移问题，并通过对不同数据集的评估展示了有希望的结果。

Apr, 2024